IAGenerado
EN · IT · ES

TokenEconomizer aprende del trabajo previo para reducir los costes de codificación con IA hasta un 30,9%

Un complemento de código abierto permite a los asistentes de codificación recordar lo aprendido en un proyecto, de modo que las tareas futuras cuesten menos y sigan teniendo éxito.

TokenEconomizer analiza cada sesión de codificación finalizada y actualiza microhabilidades, elimina herramientas no utilizadas y controla bucles de fallo, para que las tareas posteriores en el mismo proyecto cuesten menos.
Imagen: microsoft.com
Cómo funciona

Un plugin de código abierto que permite a los asistentes de programación con IA recordar el trabajo pasado, así que las tareas futuras gastan menos tokens.

  1. Instala el plugin junto a tu agente de IA para programar.
  2. Usa el agente para completar tareas en tu repositorio.
  3. Registra patrones, elimina herramientas que no usas y detecta fallos.
  4. Las tareas futuras en ese repositorio usan menos tokens y van mejor.

In short

Qué pasó: TokenEconomizer es un complemento de código abierto desarrollado por UC Berkeley, Microsoft Research y Microsoft Security. Esta herramienta convierte las sesiones de codificación completadas en resúmenes para que el mismo asistente pueda procesar el trabajo futuro en ese proyecto con más rapidez y menor coste.

  • Por qué importa: Los desarrolladores que usan agentes de codificación con IA día tras día a menudo ven que esos agentes se repiten, cargan herramientas que nunca utilizan y reintentan errores; todo ello desperdicia dinero en cada indicación. TokenEconomizer reduce ese desperdicio sin modificar el agente ni el modelo que lo impulsa, ahorrando aproximadamente una quinta parte hasta casi un tercio de los costes en pruebas mientras mantiene estables las tasas de éxito.
  • Palabras clave: Token: unidad de texto que un modelo de IA lee o escribe; los modelos cobran por token. Agent: programa capaz de llamar a herramientas —ejecutar comandos, editar archivos, buscar código— mayormente de forma autónoma.

Qué puedes hacer con él

  • Un desarrollador que use Claude Code u otro asistente de codificación con IA podría instalar el complemento de código abierto TokenEconomizer para que las tareas repetitivas de reparación de errores en su repositorio costaran menos tokens con el tiempo 1.
  • Un equipo que realice trabajo secuencial de desarrollo web podría ejecutar TokenEconomizer junto a su agente existente para reducir los costes por tarea entre un 16,0 % y un 21,2 % en comparación con ejecutar el agente sin él 1.
  • Un desarrollador que recibe muchas indicaciones en repositorios nuevos aún podría beneficiarse, viendo descender los costes entre un 6,4 % y un 19,6 % incluso cuando no hay historial de sesiones previas del que partir 1.

De la comunicación oficial: captura de pantalla de la interfaz del complemento TokenEconomizer dentro del editor Visual Studio Code

Imagen: microsoft.com

Dónde ocurre el desperdicio

Los investigadores realizaron primero un perfil de cómo Claude Code de Anthropic gasta tokens en tareas reales de reparación de errores extraídas de SWE-Bench, una prueba construida a partir de problemas reales en proyectos de Python de código abierto 1. Tres patrones aparecieron una y otra vez .

En primer lugar, el agente redescubría los mismos hechos una y otra vez. Después de que un repositorio hubiera visto al menos cinco tareas completadas, el 30 % de las llamadas a herramientas repetía algo hecho antes en ese mismo repositorio, y solo el 7 % coincidía con una acción del historial de un proyecto diferente 1. En segundo lugar, el agente pagaba por cargar descripciones de herramientas que nunca utilizaba. Recibía 23 definiciones de herramientas por turno pero llamaba solo a una fracción de ellas, dejando 16 sin usar . En tercer lugar, las tareas fallidas consumían un gasto desproporcionado.

El equipo también ejecutó tres complementos existentes de reducción de costes de código abierto. Cada uno ayudaba en algunos repositorios pero no en otros, lo que sugiere que ninguna estrategia fija funciona en todas partes 1.

Cómo aprende y ahorra

TokenEconomizer se sitúa junto al agente de codificación sin modificarlo y actualiza lo que sabe después de cada sesión leyendo el registro de la sesión 1. Utiliza tres mecanismos basados en interfaces que el agente ya proporciona .

Las microhabilidades registran patrones específicos del repositorio como notas de una línea. Una nota aparece solo después de que varias sesiones confirmen el patrón, y se elimina más adelante si nuevas evidencias lo contradicen 1. La poda de herramientas suprime las descripciones de herramientas que el historial del repositorio muestra que el agente rara vez necesita, mientras siempre conserva las herramientas básicas de comandos y edición de archivos; las herramientas podadas pueden restaurarse si es necesario . La intervención en bucles de fallo entra en acción cuando el agente repite el mismo error. Un modelo juez independiente comprueba si el agente está realmente atascado o sigue progresando, y si está atascado se le da una nota corta que sugiere otra ruta . Si el agente permanece atascado después de esa nota, el complemento alerta al desarrollador en lugar de detener el trabajo por sí mismo .

Todos los ahorros reportados incluyen el pequeño coste de las propias llamadas al modelo de TokenEconomizer 1.

Ahorros sin caída en el rendimiento

Los investigadores probaron TokenEconomizer en 277 tareas de SWE-Bench repartidas en seis repositorios, ejecutando cinco combinaciones diferentes de agente de codificación y modelo 1. Cada repositorio empezaba sin historial previo .

En general, el coste medio por tarea descendió entre un 18,4 % y un 30,9 %, y todos los 30 pares de repositorio-combinación vieron una reducción sin pérdida de rendimiento 1. Cuando los investigadores intentaron ahorrar dinero simplemente reduciendo el esfuerzo de razonamiento del modelo, obtuvieron cortes similares o mayores pero sufrieron caídas sustanciales en la frecuencia con la que las tareas tenían éxito . En cambio, Pass@1 —la proporción de tareas resueltas correctamente a la primera intención— aumentó en cuatro de las cinco combinaciones de agente y modelo .

Los ahorros crecieron a medida que el complemento acumulaba experiencia. Las primeras tareas podían costar más mientras TokenEconomizer aún estaba aprendiendo, pero el gasto acumulado descendió por debajo del valor por defecto en cada repositorio desde la sexta tarea 1. Las microhabilidades, la poda de herramientas y la intervención en bucles de fallo contribuyeron cada una por separado a los ahorros, y combinar las tres produjo la mayor reducción .

El mismo enfoque también redujo los costes en tareas secuenciales de desarrollo web entre un 16,0 % y un 21,2 % en Web-Bench, e incluso en auditoría de seguridad, donde cada tarea utiliza un repositorio nuevo, los costes bajaron entre un 6,4 % y un 19,6 % 1.

Gráfico de la comunicación oficial: este gráfico compara los costes en tokens entre combinaciones de agente y modelo usando barras y las tasas de éxito usando líneas, donde las barras más cortas indican mayores ahorros gracias a TokenEconomizer

Imagen: microsoft.com

Gráfico de la comunicación oficial: este gráfico compara el gasto en tokens frente a los tokens utilizados en repositorios, con cada barra mostrando cuánto reduce el coste la herramienta en comparación con el agente de codificación solo

Imagen: microsoft.com

Gráfico de la comunicación oficial: el gráfico de líneas compara los costes en tokens entre cinco agentes de codificación con IA, donde cada línea descendente representa menores costes tras usar TokenEconomizer

Imagen: microsoft.com

Los datos clave

  • TokenEconomizer redujo los costes medios por tarea entre un 18,4 % y un 30,9 % en 277 tareas de reparación de errores y cinco combinaciones de agente y modelo.
  • Las tasas de éxito de las tareas permanecieron ampliamante estables, y Pass@1 mejoró en cuatro de cinco configuraciones.
  • El complemento empieza a ayudar desde la sexta tarea hacia adelante en cada repositorio, con ahorros acumulados que aumentan a medida que aprende.
  • Los ahorros se extendieron más allá de las reparaciones de errores: 16,0-21,2 % de costes menores en desarrollo web y 6,4-19,6 % en auditoría de seguridad.
  • Funciona sin modificar el agente ni su modelo subyacente, usando microhabilidades, poda de herramientas e intervención en bucles de fallo.

Fuentes

  1. TokenEconomizer: Learning from Experience to Make AI Coding Agents More Efficient - Microsoft Research

Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes

Sigue leyendo